买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网湖北省电力有限公司;国网湖北省电力有限公司黄冈供电公司

摘要：本发明提出一种基于GCN‑CBAM‑BiGRU组合模型的负荷预测方法，包括以下步骤：步骤一，采集所需的地区历史负荷和气象信息；步骤二，对数据进行预处理和特征工程，通过斯皮尔曼相关系数分析和特征提取来处理多个气象因素；步骤三，构建基于贝叶斯优化GCN‑CBAM‑BiGRU组合模型，以解决多特征输入的负荷预测问题。该模型利用GCN和BiGRU挖掘深层次特征和长期依赖关系，并引入CBAM模块加强GCN层的特征提取能力；并通过贝叶斯优化算法对模型超参数进行优化，以达到最佳的负荷预测效果；步骤四，通过历史负荷和气象特征数据对模型进行训练。利用适当的损失函数和优化算法，将经过处理的数据输入训练好的模型，完成短期负荷预测。

主权项：1.一种基于GCN-CBAM-BiGRU组合模型的负荷预测方法，其特征在于，该方法包括以下步骤：步骤1：采集地区历史负荷数据和气象特征数据；步骤2：对所述历史负荷数据和所述气象特征数据进行关键特征信息的计算；所述关键特征信息的计算具体为通过斯皮尔曼相关系数分析，评估所述历史负荷数据与所述气象特征数据之间相关性，从中提取与负荷预测高度相关的关键特征信息X；步骤3：构建基于贝叶斯优化的GCN-CBAM-BiGRU组合模型，所述组合模型包括输入层、交互层以及输出层；所述交互层包括图卷积单元、卷积块注意力组件、双向门控循环单元、残差连接单元以及前向反馈层；步骤4：将所述历史负荷数据和气象特征数据作为原始特征信息，所述输入层从所述原始特征信息中提取三个特征进行拼接，得到一个三通道的输入张量；步骤5：将所述输入张量输入所述图卷积单元，所述图卷积单元首先通过图卷积神经网络对输入数据进行特征提取，然后再通过卷积核的滑动，得到卷积后的特征图；步骤6：通过卷积块注意力组件对所述卷积后的特征图进行加权计算，得到加权后的特征图；步骤7：所述双向门控循环单元将所述加权后的特征图作为输入，将其输入到前向门控循环单元和后向门控循环单元中，通过循环神经网络的方式进行时间序列的建模，得到时间上下文相关的特征表示；步骤8：通过残差连接单元将所述双向门控循环单元的输出、所述加权后的特征图以及所述原始特征信息进行残差连接；步骤9：将所述残差连接单元的输出传递给前向反馈层，通过前向反馈层进行非线性映射，将深层特征与输出负荷信息相结合，最终产生负荷预测结果；所述步骤3具体包括：步骤3.1：通过深度学习框架构建所述组合模型；所述输入层用于将原始特征信息提供给所述交互层进行处理；在所述交互层中，所述图卷积单元用于处理所述原始特征信息，理解各节点之间的关联关系，在接收到原始特征信息后将其转化为电力负荷网络的拓扑结构表达；所述卷积块注意力组件，用于在所述图卷积单元的输出中加入注意力机制，强化所述图卷积单元的表示能力；所述双向门控循环单元用于通过双向处理，捕获时间序列过去和未来的依赖关系，动态捕捉所述历史负荷数据的时间序列特征，得到反映历史负荷时间序列特征的输出；所述残差连接单元用于将所述双向门控循环单元的输出、所述原始特征信息以及所述卷积块注意力组件计算得到的强化后的拓扑结构信息结合起来，使原始特性信息得到保留；所述残差连接单元的输出被输入到前向反馈层中，通过所述前向反馈层进行非线性映射，将深层特征与输出负荷信息相结合，得到负荷预测结果；输出层用于输出所述负荷预测结果；步骤3.2：基于贝叶斯优化算法对所述组合模型进行超参数寻优，并基于寻优后的参数构建所述组合模型；步骤3.2中，所述贝叶斯优化算法的一般形式的计算公式如下：EIx＝E[maxfx-fx+,0]其中，fx是目标函数，x+是迄今为止观察到的最佳超参数点，E表示在高斯过程模型的不确定性下的期望；这里的预期改进值表示在选择点x作为下一个超参数点进行评估后，可能导致目标函数值提升的期望； 其中，xt+1是下一个需要评估的超参数点，EIx是预期改进值函数。

全文数据：

权利要求：

百度查询： 国网湖北省电力有限公司 国网湖北省电力有限公司黄冈供电公司 一种基于GCN-CBAM-BiGRU组合模型的负荷预测方法